九大数据分析方法：矩阵分析法

今天分享九大数据分析方法系列：矩阵分析法。矩阵分析法是在各路数据分析文章中，出现频率最高的词。甚至有不懂行的小白把它捧到“核心思维”，“底层逻辑”的高度。哈哈，才没有那么神呢。

一、矩阵分析法是干什么的/strong>

数据分析领域，有一个简单，但非常致命的核心问题：“到底指标是多少，才算好为了这个问题，公司里经常吵成一团。矩阵分析法就是试图解决这个问题。它的逻辑非常简单：比平均值高，就算好！

很多小伙伴会惊呼：这也太简单粗暴了！

可是，如果大家仔细想想，用平均值非常合理：

• 理解上简单：中位数、众数、四分位数，都太抽象了，不细想都不知道是啥

• 计算上方便：AVERAGE函数是所有开发工具标配，太好用了。

• 使用时方便：比如销售人均产值1万，那100万业绩，招100个人就够啦！

相比之下，告诉你销售团队的中位数/众数是1万，问需要多少人能做出100业绩本回答不了。所以平均值就是好用！

二、如何构造一个矩阵/strong>

既然用平均值就可以了，为什么还要做矩阵呢为单纯靠一个指标，不能充分评价好坏。比如考核销售，如果只考核销售业绩。那销售们很可能倾向于卖利润很低的引流型产品。那种利润高，价格高，不容易卖的利润型产品，就没人卖了。最后销售卖越多，公司支付给销售提成越多，公司利润反而下降了！

此时就需要引入两个指标来考核：

• 销售业绩

• 销售利润

这样两个指标交叉，就有四种情况和对应的建议（如下图）。

这样矩阵就画好啦！矩阵分析法的最大优势，在于直观易懂。可以很容易从两个指标的交叉对比中发现问题。特别是当这两个指标是投入/成本指标的时候，成本高+收入低，成本低+收入与高两个类别，能直接为业务指示出改进方向，因此极大避免了“不知道如何评价好坏”的问题。

很多咨询公司都喜欢用这种方法，类似KANO模型或者波士顿矩阵，本质就是找到了两个很好的评价指标，通过两指标交叉构造矩阵，对业务分类。分类的区分效果很好，就广为流传了（如下图）。

而且，还能对这四类起四个好听的名字，比如：

• 多客户+高业绩：均衡型（或者叫：两手都抓型）

• 多客户+少业绩：摆小摊型，像摆小摊一样，虽然人多，但是挣不到几个钱

• 少客户+高业绩：吃大户型，抓住几个大户猛吃……

• 少客户+少业绩：待发展型（或者叫：哪头都不行……）

用散点图，能直观的标识出这种分布：

其二：两个指标高度相关的时候。比如下图，用户消费金额与消费频次，两个指标天生高度相关。此时可以用散点图，强行做矩阵，但是会发现左上，右下两个区域几乎没有数据，所有的点，都集中在一条线上。

此时矩阵分析法的业务解读能力接近0，因此不适用了。一般出现高度相关的时候，需要用：相关分析法。

– END –

文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树人工智能机器学习工具包Scikit-learn210101 人正在系统学习中

来源：菜鸟学Python数据分析